假设你是地球体检中心的首席 AI 医生。一位特殊的病人——地球——每年都要来拍一张“肺部 CT”。他的肺不只是两片，而是覆盖陆地的森林、占地球七成的海洋、以及脚下厚厚的土壤。这些“肺”每时每刻都在吸气——把大气中的二氧化碳吞进身体；也在呼气——把碳以呼吸和分解的形式吐出来。我们把这套“吸进吐出”的账本叫做碳收支，把净吸收二氧化碳的能力叫做碳汇强度。过去，医生只能用听诊器（地面通量塔）一个点一个点地听；如今，AI 学会了把太空 CT（遥感卫星）、环境监测记录（气象数据）和听诊结果融合成一张高清“碳汇体检单”。这篇文章，就带你体验 AI 医生如何给地球的肺做一次全面体检——从观测、建模到出报告的完整流程。你不需要任何地理或编程基础，跟着这个故事走，就能听懂碳汇评估的一切。

岗位关联

碳汇评估是 AI 与气候科学交叉的核心技能。掌握它，你就能用机器学习把卫星与地面观测变成国家碳账本与碳交易市场的数据基石，成为碳中和时代抢手的 AI 科学人才。

目录
  1. 可视化演示
  2. 碳汇基础：先看懂“肺活量”报告
  3. 地球碳库：左肺、右肺与膈肌
  4. 通量塔观测：贴着大地的听诊器
  5. 遥感植被指数：太空中的 CT 扫描
  6. 气象驱动因子：环境如何左右呼吸
  7. AI融合建模：AI 主治医生综合诊断
  8. 验证与应用：体检报告的签发与用途
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示遥感NDVI植被指数估算森林碳汇、通量塔观测与机器学习升尺度、全球碳收支排放与自然碳汇吸收平衡，交互切换核心环节。

本节配有交互动效（进入视口后自动加载，约 3KB）。

遥感NDVI森林碳汇估算 卫星NDVI植被指数反映光合活性，高值区植被茂密碳汇能力强 NDVI与碳储量呈非线性关系，通过幂函数模型估算区域碳汇强度 Carbon = a × NDVI^1.5 遥感植被指数是森林碳汇估算的数据基础

碳汇基础：先看懂“肺活量”报告

体检的第一关，医生会先让你明白什么叫肺活量。地球的肺活量，就是它一口气能吞下多少碳——我们称之为碳汇（Carbon Sink）。当森林、海洋或土壤从大气中净吸收的二氧化碳多于释放时，它们就是合格的“地球之肺”。反之，如果排放超过吸收，就成了碳排放的“帮凶”，我们称之为碳源。

在气候科学里，碳汇的准确定义是：任何从大气中净带走二氧化碳的库或过程。整个地球系统里，人为排放的二氧化碳大约有 46% 滞留在大气中，23% 被海洋吞下，31% 被陆地生物圈吸收。这三成的陆地吸收，主要就是靠植被的光合作用与土壤的固碳过程。

要量化一个生态系统到底是“吸得多”还是“吐得多”，科学家引入了净生态系统交换量 NEE。它像体检报告上的“肺活量实测值”，把吸进与呼出放在同一张账单上对比：

看懂这张基础等式，就像医生先知道“肺活量 = 吸进 - 呼出”。有了这把尺子，我们才能进一步讨论：地球的三片肺各自贡献了多少？

NEE=GPP−Reco\displaystyle NEE = GPP - R_{eco}
通俗地说：光合作用的总吸碳量（GPP）减去呼吸作用的总放碳量（Reco），剩下的净额就是“肺活量”。NEE 为正值表示净吸收，是真正的碳汇。
  1. GPP（总初级生产力）植物光合作用固定的总碳量，相当于肺吸气吞下的总量。
    GPP\displaystyle GPP
  2. Reco（生态系统呼吸）植物、动物与土壤微生物呼吸释放的碳，相当于肺呼出吐出的总量。
    Reco\displaystyle R_{eco}
  3. NEE（净生态系统交换）吸进减去呼出后的净额，正值代表净吸收，即碳汇强度。
    NEE=GPP−Reco\displaystyle NEE = GPP - R_{eco}

地球碳库：左肺、右肺与膈肌

人的左肺和右肺分工不同，地球也有三套呼吸系统协同工作。森林是绿色的左肺，负责最强劲的吸气；海洋是蓝色的右肺，面积最大却节奏缓慢；土壤是褐色的膈肌，在看不见的地下默默发力。三者合起来，构成了地球碳库的完整版图。

森林碳汇主要靠树木的木质部长期固碳，一棵大树几十年间把碳锁进树干，是“慢储蓄账户”；海洋碳汇一方面靠浮游植物光合作用，另一方面靠二氧化碳直接溶解进海水，是“大额活期账户”；土壤碳汇则来自枯枝落叶和根系分泌物，在低温缺氧环境下碳可以封存上千年，是“定期存款账户”。

无论是哪片肺，碳库的储量变化都遵循一个朴素规律：存量变化等于收入减支出。就像你查银行卡余额，要看这个月工资打进多少、花出去多少：

了解了三片肺的“资产负债”结构，接下来最关键的挑战是：怎么精确测量它们每时每刻的呼吸？这就需要给地球戴上“听诊器”。

ΔC=I−O\displaystyle \Delta C = I - O
公式中的 ΔC 是碳库一年内的储量变化，I 是光合等过程输入的碳，O 是呼吸、分解和燃烧输出的碳。当输入大于输出时，碳库增长，表现为净碳汇。
  1. ΔC（碳库储量变化）单位时间内碳库净增加或减少的量，相当于银行账户的余额变动。
    ΔC\displaystyle \Delta C
  2. I（碳输入通量）光合作用与大气沉降等过程送入碳库的碳，相当于工资入账。
    I\displaystyle I
  3. O（碳输出通量）呼吸、分解与人为采伐等过程带走的碳，相当于日常开销支出。
    O\displaystyle O

通量塔观测：贴着大地的听诊器

体检时，医生把听诊器贴在胸壁上，听肺部的气流声。气候学家也有一件类似的工具——通量塔。这是一座矗立在森林或草地中央的高塔，塔顶装有高速风速仪和气体分析仪，每秒记录 10 到 20 次垂直风速与二氧化碳浓度的变化，就像听诊器紧贴大地，捕捉每一次“呼吸”的细微脉动。

这种测量方法叫涡度相关法，是目前国际上公认的地面碳通量观测“金标准”。大气不是平静的，而是一团旋转翻滚的涡流，植物呼出的二氧化碳随着上升气流被带走，地面释放的二氧化碳则随下沉气流被压向地表。通量塔要做的，是同时记录垂直风速和二氧化碳浓度的“同步抖动”，看看它们是否相关。

涡度相关法最终要算出一个数——二氧化碳通量 Fc，它是空气密度、垂直风速脉动与二氧化碳浓度脉动三者协方差的乘积：

通量塔虽然精准，却只能覆盖塔周围几百米的范围。全球数千座通量塔撒在地球表面，依然像大海里的几根针。要画出整个地球的“肺活量地图”，我们还需要另一双眼睛——从太空俯瞰的卫星。

Fc=ρaw′c′‾\displaystyle F_c = \rho_a \overline{w' c'}
这个公式可以理解为：气流越剧烈、二氧化碳浓度的波动越明显、空气越稠密，单位时间通过塔顶的二氧化碳就越多。它把无形的“呼吸声”转化成了可以画成曲线的数值。
  1. ρa（空气摩尔密度）单位体积空气中的分子数量，像“气团有多稠密”。
    ρa\displaystyle \rho_a
  2. w′（垂直风速脉动）瞬时垂直风速与平均值的偏差，代表涡流的“上下颠簸”。
    w′\displaystyle w'
  3. c′（CO2 浓度脉动）瞬时二氧化碳浓度与平均值的偏差，代表碳浓度的“忽浓忽淡”。
    c′\displaystyle c'
  4. 协方差平均对足够长时间的高频样本求平均，把“颠簸”与“浓淡”的相关性变成真实的通量。
    w′c′‾\displaystyle \overline{w' c'}

遥感植被指数：太空中的 CT 扫描

如果说通量塔是贴身的听诊器，那么卫星遥感就是躺在太空轨道上的 CT 扫描仪。它不需要触碰地面，只用“看一眼”不同颜色的光反射，就能判断地球的肺是否健康。原理很简单：叶绿素对红光特别贪婪，几乎全部吸收用于光合作用；而叶片的细胞结构对近红外光很慷慨，几乎全部反射回来。

科学家根据这个光谱密码，设计了一个经典指标——归一化差值植被指数 NDVI。它把红光和近红外的反射率放在一个比值里，数值越高，代表这片区域越绿、植被越茂盛，潜在的光合能力也越强：

卫星每隔一两天就能给全球拍一遍“CT 影像”，覆盖每一个角落。但 CT 只能看“形状”，不能直接测“呼吸量”。同样的绿色森林，在高温干旱的年份可能因为“中暑”而停止工作，这就需要结合环境记录来综合判断。

NDVI=NIR−REDNIR+RED\displaystyle NDVI = \frac{NIR - RED}{NIR + RED}
NDVI 的取值在 -1 到 1 之间。裸土和水体接近 0 或负值，茂密森林可达 0.8 以上。它像 CT 影像上的“黑白灰度”，一眼就能看出哪片肺组织最活跃。
  1. NIR（近红外反射率）植被细胞结构反射的近红外光强度，代表叶片的“海绵结构”是否健康。
    NIR\displaystyle NIR
  2. RED（红光反射率）叶绿素吸收后的红光残余强度，代表“绿色颜料”的密集程度。
    RED\displaystyle RED
  3. 归一化差值两波段之差除以两波段之和，把不同光照条件下的测量值都压缩到统一的标尺上。
    NIR−REDNIR+RED\displaystyle \frac{NIR - RED}{NIR + RED}

气象驱动因子：环境如何左右呼吸

同样的肺活量，在凉爽的早晨和暴晒的中午表现完全不同。植物也一样，它的呼吸与光合作用受天气的实时调控。如果把 NDVI 比作肺的“静态结构分”，那么气温、降水、辐射就是影响肺工作状态的“环境因素”。

温度决定了光合作用酶的活性——太冷时酶“罢工”，太热时气孔关闭“中暑”；降水与土壤水分决定了植物能不能喝上水，干旱时气孔关闭，二氧化碳进不了叶片；光合有效辐射 PAR 则是光合作用的“燃料”，没有阳光，再绿的叶子也无法开工。这三个因子叠加，就像体检报告上的“运动负荷测试”。

为了描述环境对光合作用的影响，生态学家常用一个光响应模型：光合速率先随辐射快速上升，然后逐渐饱和，同时还要乘上温度和水分两个折扣系数：

到这里，我们已经收集齐了全部检查材料：通量塔的听诊数据、卫星的 CT 影像、气象站的环境记录。但它们分散在不同格式、不同尺度、不同时空分辨率中。谁能把它们整合成一张完整的诊断报告？轮到 AI 主治医生上场了。

GPP=GPPmax⁡×α⋅PARGPPmax⁡+α⋅PAR×f(T)×f(W)\displaystyle GPP = GPP_{\max} \times \frac{\alpha \cdot PAR}{GPP_{\max} + \alpha \cdot PAR} \times f(T) \times f(W)
这个公式模拟的是：在理想条件下，光合作用随阳光呈“先快后慢”的增长曲线；而温度和水分像是两个旋钮，随时把这条曲线往下调。
  1. PAR（光合有效辐射）能被叶绿素吸收的 400-700 纳米波段阳光，相当于光合作用的“汽油”。
    PAR\displaystyle PAR
  2. α（光能利用效率）光响应曲线的初始斜率，代表植物把光转成碳的“转化率”。
    α\displaystyle \alpha
  3. 直角双曲线项辐射增强时光合趋于饱和，避免把光合作用预报成无限增长。
    α⋅PARGPPmax⁡+α⋅PAR\displaystyle \frac{\alpha \cdot PAR}{GPP_{\max} + \alpha \cdot PAR}
  4. f(T) 与 f(W)温度与水分胁迫的折扣函数，取值 0 到 1，代表环境“打了几折”。
    f(T)×f(W)\displaystyle f(T) \times f(W)

AI融合建模：AI 主治医生综合诊断

一位经验丰富的主治医生不会只看单一报告，而是把 CT 影像、听诊录音、血液化验和体温记录放在一起，形成综合判断。AI 碳汇模型做的正是这件事：把卫星遥感的 NDVI、气象再分析数据的温度降水、辐射数据作为输入特征，把通量塔实测的 NEE 作为标准答案，训练一个机器学习模型。

这个模型本质上是在学习一个复杂的映射关系：从多个观测变量到碳汇强度的函数。它不需要人类手动写出所有物理公式，而是让算法从成千上万个样本中自己发现规律，就像医生凭多年临床经验看一眼就知道病情，但 AI 能把这种“直觉”变成可复用的程序：

在模型训练中，通量塔数据是“标准答案”，遥感与气象特征是“考试题目”。模型在塔点位上学到规律后，就可以把规律推广到没有塔的广袤区域——这正是 AI 评估区域碳汇的核心价值：用稀疏的观测点，推演出连续的碳汇地图。但诊断结论要正式签发，还必须经过最后一道质量关卡。

NEE^=f(NDVI,  LST,  P,  PAR,  SM)\displaystyle \hat{NEE} = f\left(NDVI,\; LST,\; P,\; PAR,\; SM\right)
公式表示：模型用 NDVI（绿度）、LST（地表温度）、P（降水）、PAR（辐射）和 SM（土壤水分）五个输入，输出一个对 NEE 的估计值。f 就是机器学习模型本身。
  1. 输入特征遥感与气象产品构成的自变量向量，相当于体检的多份报告。
    NDVI,  LST,  P,  PAR,  SM\displaystyle NDVI,\; LST,\; P,\; PAR,\; SM
  2. 模型 f随机森林、梯度提升或深度学习等算法学到的非线性映射，相当于医生的“临床经验”。
    f\displaystyle f
  3. 输出估计值模型给出的区域碳汇强度预测，相当于诊断结论上的“肺活量估算值”。
    NEE^\displaystyle \hat{NEE}

验证与应用：体检报告的签发与用途

再高明的医生拿到的诊断也必须接受复核。AI 碳汇模型同样不能“自说自话”，常见的做法是交叉验证：把数据分成几份，轮流拿一部分训练、另一部分检验，确保模型不是死记硬背。衡量诊断准确度的核心指标是决定系数 R²，它回答了一个问题：模型能解释真实观测中多大比例的波动？

通过验证的碳汇评估模型，最终会成为国家碳收支核算的“体检报告”：政府据此编制温室气体清单，判断减排目标是否达标；碳交易市场则用它核算林业碳汇项目的可交易碳信用，让“地球之肺”的劳动获得经济回报。从一颗卫星的像素到碳市场上的一吨二氧化碳当量，AI 医生完成了地球体检的最后一棒。

R2=1−SSresSStot\displaystyle R^2 = 1 - \frac{SS_{res}}{SS_{tot}}
R² 越接近 1，说明模型预测与通量塔实测越吻合。0.87 的 R² 意味着 87% 的碳汇时空变化被模型成功解释，剩下的 13% 来自噪声和未捕捉到的过程。
  1. SSres（残差平方和）预测值与实测值误差的平方和，相当于诊断“偏差有多离谱”。
    SSres\displaystyle SS_{res}
  2. SStot（总平方和）实测值围绕其均值的波动总和，相当于病情本身“变化有多大”。
    SStot\displaystyle SS_{tot}
  3. R² 计算1 减去误差占比，得出模型解释了多少真实波动。
    R2=1−SSresSStot\displaystyle R^2 = 1 - \frac{SS_{res}}{SS_{tot}}

AI 应用场景

国家温室气体清单与碳收支核算

阶段：数据融合与区域碳汇估算

解决的问题：传统清单编制依赖地面样地清查，每五年才能更新一次，且难以覆盖偏远地区。AI 模型融合月度遥感影像与气象数据，可以逐年、逐格网输出碳汇强度，把“五年一报”变成“每年一图”。

具体案例：某省生态环境厅采用随机森林模型，输入 MODIS NDVI、气温、降水与通量塔 NEE，生成了全省 1 公里分辨率的森林碳汇分布图。模型 R² 达 0.86，帮助核算出该省森林年净吸收 1200 万吨 CO2，直接支撑了年度温室气体清单的编制。

林业碳汇项目开发与 CCER 碳交易

阶段：碳汇量预估与监测

解决的问题：林业碳汇项目在申请核证自愿减排量（CCER）时，需要事先预估未来几十年的碳汇收益，还要在项目期内持续监测。人工样地测量成本高、周期长，AI 模型可以快速评估不同造林方案的碳汇潜力。

具体案例：某林业集团计划在 10 万亩荒山造林，AI 平台输入土壤水分、地形和气候数据，预测造林 20 年后的累计碳汇量，并模拟了干旱年份的碳汇波动风险。据此计算出项目可产生的碳信用额度约 85 万吨 CO2 当量，用于碳市场融资。

碳中和路径推演与碳汇趋势预警

阶段：时序预测与情景分析

解决的问题：碳中和不是一蹴而就的，需要提前预判未来碳汇的增减趋势。气候变化可能让森林从碳汇变成碳源，AI 模型结合气候情景数据可以提前几十年发出预警，帮助决策者调整减排策略。

具体案例：科研团队用 LSTM 深度学习模型，输入历史通量塔 NEE、温度和降水序列，预测 2030-2060 年青藏高原高寒草甸的碳汇趋势。模型发现若升温超过 2°C，该区域碳汇将在 2040 年后下降 30%，为气候适应政策提供了关键证据。

Python 演示

python32 行
import numpy as npfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selection import cross_val_score # 用合成数据模拟 5 个站点 5 年的日尺度观测np.random.seed(42)n = 365 * 5t = np.arange(n) # 构造特征:NDVI(绿度)、气温、降水、光合有效辐射ndvi = 0.55 + 0.20 * np.sin(2 * np.pi * t / 365)temp = 15.0 + 15.0 * np.sin(2 * np.pi * t / 365 - 1.5)prec = np.random.gamma(2.0, 2.0, n)par = 150.0 + 120.0 * np.sin(2 * np.pi * t / 365 - 1.5)X = np.stack([ndvi, temp, prec, par], axis=1) # 真实 NEE:吸收(正)随绿度与辐射变化,呼吸(负)恒定释放gpp = 3.0 * ndvi * np.maximum(np.sin(2 * np.pi * t / 365 - 1.5), 0)reco = -(0.8 + 0.02 * prec)y = gpp + reco + np.random.normal(0, 0.25, n) # 随机森林模型 + 5 折交叉验证model = RandomForestRegressor(n_estimators=200, random_state=0)scores = cross_val_score(model, X, y, cv=5, scoring='r2')print('5折交叉验证 R2: %.3f +- %.3f' % (scores.mean(), scores.std())) # 训练全量模型后,模拟造林使 NDVI 提升 0.1model.fit(X, y)X_future = X.copy()X_future[:, 0] += 0.1gain = (model.predict(X_future) - model.predict(X)).mean()print('NDVI提升0.1后日均碳汇增益: +%.3f gC/m2/day' % gain)
目的：用随机森林实现一个完整的 AI 碳汇评估流程，展示从特征构建、交叉验证到造林情景预测的全链条。
  1. ndvi = 0.55 + 0.20 * np.sin(...)用正弦函数模拟植被的季节性绿度变化，体现 NDVI 的物候特征
  2. X = np.stack([ndvi, temp, prec, par], axis=1)把四个特征拼成矩阵，每行是一个“日观测样本”
  3. gpp = 3.0 * ndvi * np.maximum(np.sin(...), 0)光合作用只在白天辐照为正时发生，模拟 GPP 的光响应
  4. model = RandomForestRegressor(n_estimators=200, random_state=0)随机森林用 200 棵决策树共同投票，降低过拟合
  5. cross_val_score(model, X, y, cv=5, scoring='r2')5 折交叉验证把数据分五份轮流检验，防止模型“背答案”
  6. X_future[:, 0] += 0.1把 NDVI 整体抬高 0.1，模拟造林项目让植被变得更绿
  7. (model.predict(X_future) - model.predict(X)).mean()对比造林前后预测碳汇的差值，量化气候行动的碳收益

常见误区

误区卫星图像上越绿的地方，吸收的二氧化碳一定越多。既然 NDVI 高达 0.9 的森林那么绿，它肯定是最强的碳汇。

正解NDVI 只代表植被的“绿度”和光合潜力，不等于实际净碳汇。NDVI 高的森林如果遭遇高温干旱，呼吸作用飙升，甚至可能从碳汇变成碳源。就像一个人肺活量测试数值很大，但正在发高烧，实际摄氧能力反而下降。真正的碳汇要同时看绿度、气象胁迫和呼吸消耗，必须交给模型综合计算。

为何常见：人天生容易把“看起来茂盛”等同于“功能强大”，忽略了呼吸和分解这些看不见的碳输出过程。

误区碳汇就是种树，森林是唯一的碳汇，海洋和土壤跟碳吸收没什么关系。

正解全球碳循环中，海洋吸收了约四分之一的人为 CO2，土壤储存的碳是森林地上部分的数倍。海洋浮游植物、红树林、泥炭地、甚至城市绿地都在固碳。地球是一个多器官协作的病人，不能只盯着绿色左肺，忘记了蓝色右肺和褐色膈肌。

为何常见：新闻报道常常聚焦“植树造林”，容易让人把碳汇和森林画上等号，忽视了其他碳库的贡献。

误区光合作用越旺盛，吸收的碳越多，所以只要看 GPP 就能知道碳汇强度，不必考虑呼吸。

正解GPP 只是“吸进的总量”，而呼吸作用每时每刻都在“吐出”碳，植物自身呼吸加上土壤微生物分解，通常能消耗掉一半左右的 GPP。净碳汇 NEE = GPP - Reco，吸进十口、吐出八口，净剩只有两口。只看吸进不看吐出，就像只算工资不算开销，账户余额可能完全相反。

为何常见：光合作用的概念在中学教育中深入人心，而生态系统呼吸是更抽象、更难观测的过程，容易被忽略。

误区模型交叉验证 R² 达到 0.95，说明预测非常准，可以直接把结果拿去碳市场换钱。

正解R² 只反映了模型对历史波动的解释能力，不保证未来预测可靠。碳交易涉及真金白银，对不确定性极其敏感：极端气候年份模型可能失效，通量塔数据的外推误差可能被低估，不同模型的差异可能高达 30%。因此碳汇核证需要第三方审核、多种模型交叉验证、量化不确定性区间，只用单个 R² 高模型出具碳信用，就像只凭一次普通门诊就开出巨额保险单，风险极大。

为何常见：机器学习从业者习惯了用 R² 衡量模型好坏，容易忽视碳信用领域对核算保守性和审计合规性的严格要求。

面试题

Q1. 遥感植被指数 NDVI 中的 "ND" 代表什么含义？

单选题 · easy

  • A.归一化差值处理← 正确答案
  • B.增强型差值处理
  • C.标准化比值处理
  • D.线性插值处理

答案：A。NDVI 全称是 Normalized Difference Vegetation Index，"ND" 即归一化差值，指用 (NIR-RED)/(NIR+RED) 把波段差归一化到 -1 到 1 区间。增强型植被指数是 EVI，不是 NDVI 的组成部分。

Q2. 关于“碳汇”的正确定义是？

单选题 · easy

  • A.向大气排放二氧化碳的过程
  • B.吸收二氧化碳的过程与机制← 正确答案
  • C.化石燃料燃烧的能量来源
  • D.海水酸化加剧的主要成因

答案：B。碳汇指生态系统从大气中净吸收并固定二氧化碳的过程或机制，是地球的“肺吸气”环节。排放过程属于碳源，海水中溶解 CO2 增多导致酸化，与碳汇定义无关。

Q3. 涡度相关法最直接观测的对象是什么？

单选题 · mid

  • A.冠层上下二氧化碳浓度差
  • B.垂直风速与二氧化碳脉动← 正确答案
  • C.森林土壤的有机碳含量
  • D.卫星影像的绿色反射率

答案：B。涡度相关法通过高频记录垂直风速脉动 w′ 与 CO2 浓度脉动 c′ 的协方差来计算通量，就像听诊器捕捉“呼吸声”的波形。浓度差法、土壤采样和卫星遥感都不是涡度相关法的直接观测对象。

Q4. 白天晴朗时典型森林生态系统 NEE 通常为正值，表示什么？

单选题 · easy

  • A.生态系统在释放二氧化碳
  • B.生态系统在吸收二氧化碳← 正确答案
  • C.呼吸作用强于光合作用
  • D.与氮沉降速度呈正相关

答案：B。按本文约定 NEE = GPP - Reco，白天光合旺盛，GPP 大于 Reco，NEE 为正代表净吸收，即碳汇。如果呼吸强于光合，NEE 会转为负值，说明该生态系在向大气释放碳。

Q5. 下列哪个特征不适合作为 AI 碳汇模型的输入变量？

单选题 · mid

  • A.遥感归一化植被指数
  • B.站点观测气温降水
  • C.通量塔二氧化碳通量
  • D.未来十年碳价预测← 正确答案

答案：D。碳汇模型的输入是影响光合与呼吸的物理环境变量：NDVI、气温、降水、辐射等。碳价是市场交易价格，与生态过程无关，不是 NEE 的驱动因子。通量塔 CO2 通量常作为训练标签而非输入特征。

Q6. 碳汇模型 R² = 0.87 的最准确解释是？

单选题 · hard

  • A.模型解释了 87% 的真实波动← 正确答案
  • B.预测误差占总误差的 87%
  • C.模型参数的显著性水平为 0.87
  • D.数据集中有 87% 是有效样本

答案：A。R² = 1 - SSres/SStot，表示模型解释了实测值总波动中 87% 的比例，是“诊断准确度”。预测误差占比应为 13%，参数显著性是 p 值的范畴，有效样本比例是数据质量指标，都与 R² 无关。

Q7. 在“给地球做体检”的比喻中，通量塔最对应哪类医疗工具？

单选题 · mid

  • A.太空遥感的 CT 扫描仪
  • B.贴地倾听的呼吸听诊器← 正确答案
  • C.检验血液的化验仪器
  • D.记录体温的水银温度计

答案：B。通量塔固定在地面某点，高频记录当地的碳通量，是“贴着大地呼吸声”的听诊器；卫星遥感对应 CT 扫描，气象站对应体温计，通量塔对应的是局部实时观测。

Q8. 影响植物光合碳吸收的主要气象因子有哪些？

多选题 · mid

  • A.光合有效辐射量← 正确答案
  • B.近地层空气温度← 正确答案
  • C.土壤水分条件← 正确答案
  • D.通量塔观测高度

答案：ABC。光合有效辐射是光合作用的燃料，温度决定酶活性，土壤水分决定气孔开合，三者共同驱动 GPP 的变化。塔的观测高度只是测量仪器设置，不直接影响植物呼吸与光合。

Q9. AI 估算区域碳汇的常用数据来源有哪些？

多选题 · hard

  • A.卫星遥感植被指数← 正确答案
  • B.再分析气象数据集← 正确答案
  • C.涡度通量塔观测← 正确答案
  • D.城市出租车轨迹

答案：ABC。AI 碳汇模型用遥感 NDVI 提供绿度特征，用再分析气象数据提供温度降水辐射，用通量塔 NEE 作为训练标签。出租车轨迹反映城市出行，与植被碳吸收没有因果关系。

Q10. 碳汇核算结果用于碳交易市场前需要哪些准备？

多选题 · extreme

  • A.多模型交叉验证← 正确答案
  • B.不确定性量化← 正确答案
  • C.第三方机构审核← 正确答案
  • D.公开全部原始数据

答案：ABC。碳信用是金融产品，必须经过多模型交叉验证减少偏差、量化不确定性区间控制风险、通过第三方审核保证合规性。公开全部原始观测数据并非必要条件，部分数据涉及商业机密或国家安全。